由于雾霾等恶劣天气的影响,设备获取的图像退化严重,提取图像中有效信息变得极为困难。因此,研究图像去雾算法,无论是在理论还是实际应用中都具有重要的意义,也是当前数字图像处理领域的研究热点之一。本文以Retinex图像增强算法作为去雾的途径,并通过分析算法特性,对传统的算法进行了优化。通过改进传统算法,解决了算法复杂度高和局部自适差的问题,也在一定程度上弥补了算法输出具有色差的缺陷。相关工作主要包括以下几个部分:(1)提出一种带有色彩校正的Retinex算法。首先,分析Retinex算法对数运算后的色彩空间灰度分布情况,了解到各个色彩通道中灰度级主要集中在0的附近,呈现特殊的偏态分布状态。其次,根据灰度分布情况运用一种改进的白平衡算法更新灰度值,实现了色彩空间比例的调整,再利用色彩增益算法将通道灰度还原到标准区间。最后,引入灰度世界和完美反射相结合的算法,校正了图像的色差。通过本算法,有效的减少了算法对经验参数的依赖,降低了算法的复杂度,修正了输出图像的色差问题。(2)提出基于K-means图像深度聚类的Retinex算法。首先,通过研究发现传统Retinex算法的增强视野只具有全部性,未考虑到图像的局部差异,无法实现局部的自适应增强。其次,引入暗通道原理求得图像深度,以图像深度和雾霾浓度的正相关性为依据,运用K-means深度聚类的方式获取深度聚类图像。最后,根据深度聚类图像划分原始图像,并且为每个子图适配可变滤波器,融合自适应增强后的子图,获得最终结果。通过本算法,解决了图像局部差异性问题,整体上提升了图像去雾的性能(3)本文实验运用算法结果相互对比的方式,来证明算法的实效性。在一种带有色彩校正的Retinex算法的实验中,使用了不同雾霾浓度的图片作为素材。输出结果证明,算法在提高图像整体质量的同时,抑制了图像的色偏问题,并且对于不同浓度场景都具有一定的适用性。通过数据对比证实了算法不但具有较低的算法复杂度,而且具有良好的增强性能;在基于K-means图像深度聚类的Retinex算法实验中,先确定算法尺度的阈值范围,随后进行算法的输出结果和数据对比。实验证明算法能够实现局部自适应增强,并有着较为出色的表现。